记录PU-GCN复现过程

参考链接：GitHub - guochengqian/PU-GCN: PU-GCN: Point Cloud Upsampling using Graph Convolutional Networks (CVPR2021)

一、安装anaconda3

#cd ~/
#wget https://repo.anaconda.com/archive/Anaconda3-2019.07-Linux-x86_64.sh
#bash Anaconda3-2019.07-Linux-x86_64.sh

（官方教程，没试过）

二、下载

1. 下载PU-GCN代码：

下载地址：GitHub - guochengqian/PU-GCN: PU-GCN: Point Cloud Upsampling using Graph Convolutional Networks (CVPR2021)

cd PU-GCN

2. 下载PU1K数据集：

下载地址：release - Google 云端硬盘

建立软连接：

mkdir data #在PU-GCN下建立data文件夹
ln -s /path/to/PU1K ./data/   #路径修改为ln -s /home/lyl/pu/PU1K ./data/

3. 下载预训练代码：

下载地址：pretrained_PU1K.zip - Google 云端硬盘

路径如下： 

三、安装pugcn环境

1. 创建pugcn环境

conda remove --name pugcn --all
conda create -n pugcn python=3.6.8 cudatoolkit=10.0 cudnn numpy=1.16

2. 激活pugcn环境

conda activate pugcn

3. 安装包

pip install matplotlib tensorflow-gpu==1.13.1 open3d==0.9 sklearn Pillow gdown plyfile

注：请不要通过 conda 安装 tensorflow gpu。 它可能会影响以下编译。

四、编译tf_ops

cd tf_ops
bash compile.sh linux

五、训练

1、下载预训练模型和数据集

2、训练

• PU-GCN

  python main.py --phase train --model pugcn --upsampler nodeshuffle --k 20 

• PU-Net

  python main.py --phase train --model punet --upsampler original  
  

• MPU

  python main.py --phase train --model mpu --upsampler duplicate 
  

• PU-GAN

  python main.py --phase train --model pugan --more_up 2 

六、测试和评估（一体的）

1、编译evaluation_code

cd evaluation_code
bash compile.sh

2、存放路径：

训练好用于测试的模型：/home/lyl/pu/PU-GCN/pretrain/pu1k-pugcn

测试后生成的上采样点云：/home/lyl/pu/PU-GCN/evaluation_code/result

评估得到的性能指标数据：/home/lyl/pu/PU-GCN/pretrain/pu1k-pugcn/evaluation.csv

3、根据需要修改测试代码

PU1K数据集：

原始版本：

test_pu1k_allmodels.sh：

#!/usr/bin/env bash

### result of
source test_pu1k_all.sh pretrain/pu1k-pugcn/ 0 1 --model pugcn --k 20
#source test_pu1k.sh pretrain/pu1k-punet/ 0 1 --model punet --upsampler original
#source test_pu1k.sh pretrain/pu1k-mpu/ 0 1 --model mpu --upsampler duplicate

test_pu1k.sh不改动。

简化版本：

test_pu1k_allmodels.sh：

#!/usr/bin/env bash

### result of
source test_pu1k_all.sh pretrain/pu1k-pugcn/ 0 --model pugcn --k 20

批量测试 test_pu1k_all.sh：

#!/usr/bin/env bash

cur_dir=$PWD
echo "current project director is: $cur_dir"
pretrain_folder=$1   # the pretrain 
GPU=$2
PY_ARGS=${@:3}
in_data_dir=data/PU1K/test/input_2048/input_2048
gt_data_dir=data/PU1K/test/input_2048/gt_8192

logdir=$pretrain_folder
echo "===> test the ckpt from ${logdir}"
echo ;

for (( i = 0; i < 40; i++ )) ;   #40可以根据模型数量更改
do
    #训练
    CUDA_VISIBLE_DEVICES=${GPU} python main.py --phase test --restore ${logdir} --data_dir  ${in_data_dir} ${PY_ARGS}
    #测试 CD HD
    CUDA_VISIBLE_DEVICES=${GPU} python evaluate.py --pred evaluation_code/result/ --gt ${gt_data_dir} --save_path ${logdir}
done

单个测试  test_pu1k.sh：

#!/usr/bin/env bash

cur_dir=$PWD
echo "current project director is: $cur_dir"
pretrain_folder=$1   # the pretrain 
GPU=$2
PY_ARGS=${@:3}
in_data_dir=data/PU1K/test/input_2048/input_2048
gt_data_dir=data/PU1K/test/input_2048/gt_8192

logdir=$pretrain_folder
echo "===> test the ckpt from ${logdir}"
echo ;
# test
CUDA_VISIBLE_DEVICES=${GPU} python main.py --phase test --restore ${logdir} --data_dir  ${in_data_dir} ${PY_ARGS}

# evaluation p2f
#cd evaluation_code
#bash eval_pu1k.sh
#cd ..

# evaluation CD HD
CUDA_VISIBLE_DEVICES=${GPU} python evaluate.py --pred evaluation_code/result/ --gt ${gt_data_dir} --save_path ${logdir}

kitti数据集：

修改main.py：

FLAGS.test_data = os.path.join(FLAGS.data_dir, '*.xyz')
改为
FLAGS.test_data = os.path.join(FLAGS.data_dir, '*.ply')

4、运行测试指令

• Test on PU1K dataset

bash test_pu1k_allmodels.sh

• Test on PU-GAN dataset

bash test_pugan_allmodels.sh

• Test on real-scanned dataset

bash test_realscan_allmodels.sh

• Visualization.

check below. You have to modify the path inside.

python vis_benchmark.py

七、tensorboard可视化

参考链接：python编程之TensorBoard的使用入门教程，傻瓜教程_tian_jiangnan的博客-CSDN博客_tensorboard使用教程

1. 打开服务器图形界面

win + R
输入 mstsc
确定
然后输入你的用户名密码

2. 打开终端

3. 激活虚拟环境

source activate pugcn

4. 在终端输入

tensorboard --logdir=/home/lyl/pu/PU-GCN3/log/20211123-101315 #events.out.tfevents...所在路径

5. 打开浏览器，输入网址localhost:6006